在前面我们已经搞定了怎样获取页面的内容,不过还差一步,这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢?下面就开始介绍一个十分强大的工具,正则表达式!
了解正则表达式
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。 正则表达式是用来匹配字符串非常强大的工具,在其他编程语言中同样有正则表达式的概念,Python同样不例外,利用了正则表达式,我们想要从返回的页面内容提取出我们想要的内容就易如反掌了。
正则表达式的大致匹配过程是:
- 依次拿出表达式和文本中的字符比较,
- 如果每一个字符都能匹配,则匹配成功;一旦有匹配不成功的字符则匹配失败。
- 如果表达式中有量词或边界,这个过程会稍微有一些不同。
正则表达式的语法规则
下面是 Python 中正则表达式的一些匹配规则,图片资料来自 CSDN
正则表达式相关注解
数量词的贪婪模式与非贪婪模式
正则表达式通常用于在文本中查找匹配的字符串。Python 里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;非贪婪的则相反,总是尝试匹配尽可能少的字符。例如:正则表达式 ”ab” 如果用于查找 ”abbbc”,将找到 ”abbb”。而如果使用非贪婪的数量词 ”ab?”,将找到 ”a”。
注:我们一般使用非贪婪模式来提取。
反斜杠问题
与大多数编程语言相同,正则表达式里使用”\”作为转义字符,这就可能造成反斜杠困扰。假如你需要匹配文本中的字符”\”,那么使用编程语言表示的正则表达式里将需要4个反斜杠”\\”:前两个和后两个分别用于在编程语言里转义成反斜杠,转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python 里的原生字符串很好地解决了这个问题,这个例子中的正则表达式可以使用 r”\” 表示。同样,匹配一个数字的 ”\d” 可以写成 r”\d”。有了原生字符串,妈妈也不用担心是不是漏写了反斜杠,写出来的表达式也更直观勒。
Python Re 模块
Python 自带了 re 模块,它提供了对正则表达式的支持。主要用到的方法列举如下
#返回pattern对象 re.compile(string[,flag]) #以下为匹配所用函数 re.match(pattern,string[,flags]) re.search(pattern,flags]) re.split(pattern,maxsplit]) re.findall(pattern,flags]) re.finditer(pattern,flags]) re.sub(pattern,repl,count]) re.subn(pattern,count])
在介绍这几个方法之前,我们先来介绍一下 pattern 的概念,pattern 可以理解为一个匹配模式,那么我们怎么获得这个匹配模式呢?很简单,我们需要利用 re.compile 方法就可以。例如
pattern = re.compile(r'hello')
在参数中我们传入了原生字符串对象,通过 compile 方法编译生成一个 pattern 对象,然后我们利用这个对象来进行进一步的匹配。
另外大家可能注意到了另一个参数 flags,在这里解释一下这个参数的含义:
参数 flag 是匹配模式,取值可以使用按位或运算符’|’表示同时生效,比如 re.I | re.M。
可选值有:
• re.I(全拼:IGNORECASE): 忽略大小写(括号内是完整写法,下同) • re.M(全拼:MULTILINE): 多行模式,改变'^'和'$'的行为(参见上图) • re.S(全拼:DOTALL): 点任意匹配模式,改变'.'的行为 • re.L(全拼:LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定 • re.U(全拼:UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性 • re.X(全拼:VERBOSE): 详细模式。这个模式下正则表达式可以是多行,忽略空白字符,并可以加入注释。
在刚才所说的另外几个方法例如 re.match 里我们就需要用到这个 pattern 了,下面我们一一介绍。
注:以下七个方法中的 flags 同样是代表匹配模式的意思,如果在 pattern 生成时已经指明了 flags,那么在下面的方法中就不需要传入这个参数了。
re.match(pattern,flags])
这个方法将会从 string(我们要匹配的字符串)的开头开始,尝试匹配 pattern,一直向后匹配,如果遇到无法匹配的字符,立即返回 None,如果匹配未结束已经到达 string 的末尾,也会返回 None。两个结果均表示匹配失败,否则匹配 pattern 成功,同时匹配终止,不再对string 向后匹配。下面我们通过一个例子理解一下
__author__ = 'CQC' \# -*- coding: utf-8 -*- \#导入re模块 import re \# 将正则表达式编译成Pattern对象,注意hello前面的r的意思是“原生字符串” pattern = re.compile(r'hello') \# 使用re.match匹配文本,获得匹配结果,无法匹配时将返回None result1 = re.match(pattern,'hello') result2 = re.match(pattern,'helloo CQC!') result3 = re.match(pattern,'helo CQC!') result4 = re.match(pattern,'hello CQC!') \#如果1匹配成功 if result1: # 使用Match获得分组信息 print result1.group() else: print '1匹配失败!' \#如果2匹配成功 if result2: # 使用Match获得分组信息 print result2.group() else: print '2匹配失败!' \#如果3匹配成功 if result3: # 使用Match获得分组信息 print result3.group() else: print '3匹配失败!' \#如果4匹配成功 if result4: # 使用Match获得分组信息 print result4.group() else: print '4匹配失败!'
运行结果
hello hello 3匹配失败! hello
匹配分析
-
第一个匹配,pattern 正则表达式为 ’hello’,我们匹配的目标字符串 string 也为hello,从头至尾完全匹配,匹配成功。
-
第二个匹配,string 为 helloo CQC,从 string 头开始匹配 pattern 完全可以匹配,pattern 匹配结束,同时匹配终止,后面的 o CQC 不再匹配,返回匹配成功的信息。
-
第三个匹配,string为helo CQC,从 string 头开始匹配 pattern,发现到 ‘o’ 时无法完成匹配,匹配终止,返回 None
- 第四个匹配,同第二个匹配原理,即使遇到了空格符也不会受影响。
我们还看到最后打印出了 result.group(),这个是什么意思呢?下面我们说一下关于 match 对象的的属性和方法 Match 对象是一次匹配的结果,包含了很多关于此次匹配的信息,可以使用 Match 提供的可读属性或方法来获取这些信息。
属性: 1.string: 匹配时使用的文本。 2.re: 匹配时使用的Pattern对象。 3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。 4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。 5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组,将为None。 6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组,将为None。 方法: 1.group([group1,…]): 获得一个或多个分组截获的字符串;指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名;编号0代表整个匹配的子串;不填写参数时,返回group(0);没有截获字符串的组返回None;截获了多次的组返回最后一次截获的子串。 2.groups([default]): 以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代,默认为None。 3.groupdict([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典,没有别名的组不包含在内。default含义同上。 4.start([group]): 返回指定的组截获的子串在string中的起始索引(子串第一个字符的索引)。group默认值为0。 5.end([group]): 返回指定的组截获的子串在string中的结束索引(子串最后一个字符的索引+1)。group默认值为0。 6.span([group]): 返回(start(group),end(group))。 7.expand(template): 将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组,但不能使用编号0。\id与\g是等价的;但\10将被认为是第10个分组,如果你想表达\1之后是字符’0’,只能使用\g0。
下面我们用一个例子来体会一下
\# -*- coding: utf-8 -*- \#一个简单的match实例 import re \# 匹配如下内容:单词+空格+单词+任意字符 m = re.match(r'(\w+) (\w+)(?P.*)','hello world!') print "m.string:",m.string print "m.re:",m.re print "m.pos:",m.pos print "m.endpos:",m.endpos print "m.lastindex:",m.lastindex print "m.lastgroup:",m.lastgroup print "m.group():",m.group() print "m.group(1,2):",m.group(1,2) print "m.groups():",m.groups() print "m.groupdict():",m.groupdict() print "m.start(2):",m.start(2) print "m.end(2):",m.end(2) print "m.span(2):",m.span(2) print r"m.expand(r'\g \g\g'):",m.expand(r'\2 \1\3') \### output ### \# m.string: hello world! \# m.re: \# m.pos: 0 \# m.endpos: 12 \# m.lastindex: 3 \# m.lastgroup: sign \# m.group(1,2): ('hello','world') \# m.groups(): ('hello','world','!') \# m.groupdict(): {'sign': '!'} \# m.start(2): 6 \# m.end(2): 11 \# m.span(2): (6,11) \# m.expand(r'\2 \1\3'): world hello!
re.search(pattern,flags])
search 方法与 match 方法极其类似,区别在于 match() 函数只检测 re 是不是在 string的开始位置匹配,search() 会扫描整个 string 查找匹配,match()只有在0位置匹配成功的话才有返回,如果不是开始位置匹配成功的话,match() 就返回 None。同样,search 方法的返回对象同样 match() 返回对象的方法和属性。我们用一个例子感受一下
\#导入re模块 import re \# 将正则表达式编译成Pattern对象 pattern = re.compile(r'world') \# 使用search()查找匹配的子串,不存在能匹配的子串时将返回None \# 这个例子中使用match()无法成功匹配 match = re.search(pattern,'hello world!') if match: \# 使用Match获得分组信息 print match.group() \### 输出 ### \# world
re.split(pattern,maxsplit])
按照能够匹配的子串将 string 分割后返回列表。maxsplit 用于指定最大分割次数,不指定将全部分割。我们通过下面的例子感受一下。
import re pattern = re.compile(r'\d+') print re.split(pattern,'one1two2three3four4') \### 输出 ### \# ['one','two','three','four','']
re.findall(pattern,flags])
搜索 string,以列表形式返回全部能匹配的子串。我们通过这个例子来感受一下
import re pattern = re.compile(r'\d+') print re.findall(pattern,'one1two2three3four4') \### 输出 ### \# ['1','2','3','4']
re.finditer(pattern,flags])
搜索 string,返回一个顺序访问每一个匹配结果(Match对象)的迭代器。我们通过下面的例子来感受一下
import re pattern = re.compile(r'\d+') for m in re.finditer(pattern,'one1two2three3four4'): print m.group(),\### 输出 ### \# 1 2 3 4
re.sub(pattern,count])
使用 repl 替换 string 中每一个匹配的子串后返回替换后的字符串。 当 repl 是一个字符串时,可以使用 \id 或 \g、\g 引用分组,但不能使用编号0。 当 repl 是一个方法时,这个方法应当只接受一个参数(Match对象),并返回一个字符串用于替换(返回的字符串中不能再引用分组)。 count 用于指定最多替换次数,不指定时全部替换。
import re pattern = re.compile(r'(\w+) (\w+)') s = 'i say,hello world!' print re.sub(pattern,r'\2 \1',s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print re.sub(pattern,func,s) \### output ### \# say i,world hello! \# I Say,Hello World!
re.subn(pattern,count])
返回 (sub(repl,count]),替换次数)。
import re pattern = re.compile(r'(\w+) (\w+)') s = 'i say,hello world!' print re.subn(pattern,s) def func(m): return m.group(1).title() + ' ' + m.group(2).title() print re.subn(pattern,s) \### output ### \# ('say i,world hello!',2) \# ('I Say,Hello World!',2)
Python Re 模块的另一种使用方式
在上面我们介绍了7个工具方法,例如 match,search 等等,不过调用方式都是 re.match,re.search 的方式,其实还有另外一种调用方式,可以通过 pattern.match,pattern.search 调用,这样调用便不用将 pattern 作为第一个参数传入了,大家想怎样调用皆可。
函数 API 列表
match(string[,pos[,endpos]]) | re.match(pattern,flags]) search(string[,endpos]]) | re.search(pattern,flags]) split(string[,maxsplit]) | re.split(pattern,maxsplit]) findall(string[,endpos]]) | re.findall(pattern,flags]) finditer(string[,endpos]]) | re.finditer(pattern,flags]) sub(repl,count]) | re.sub(pattern,count]) subn(repl,count]) |re.sub(pattern,count])
具体的调用方法不必详说了,原理都类似,只是参数的变化不同。小伙伴们尝试一下吧~
小伙伴们加油,即使这一节看得云里雾里的也没关系,接下来我们会通过一些实战例子来帮助大家熟练掌握正则表达式的。
参考文章:此文章部分内容出自 CNBlogs
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。